BACKGROUND The single-step single nucleotide polymorphism best linear unbiased prediction (ssSNPBLUP) is one of the single-step evaluations that enable a simultaneous analysis of phenotypic and pedigree information of genotyped and non-genotyped animals with a large number of genotypes. The aim of this study was to develop and illustrate several computational strategies to efficiently solve different ssSNPBLUP systems with a large number of genotypes on current computers. RESULTS The different developed strategies were based on simplified computations of some terms of the preconditioner, and on splitting the coefficient matrix of the different ssSNPBLUP systems into multiple parts to perform its multiplication by a vector more efficiently. Some matrices were computed explicitly and stored in memory (e.g. the inverse of the pedigree relationship matrix), or were stored using a compressed form (e.g. the Plink 1 binary form for the genotype matrix), to permit the use of efficient parallel procedures while limiting the required amount of memory. The developed strategies were tested on a bivariate genetic evaluation for livability of calves for the Netherlands and the Flemish region in Belgium. There were 29,885,286 animals in the pedigree, 25,184,654 calf records, and 131,189 genotyped animals. The ssSNPBLUP system required around 18 GB Random Access Memory and 12 h to be solved with the most performing implementation. CONCLUSIONS Based on our proposed approaches and results, we showed that ssSNPBLUP provides a feasible approach in terms of memory and time requirements to estimate genomic breeding values using current computers.

中文翻译：

---

应用于ssSNPBLUP的预处理共轭梯度法的计算策略，并应用于多元母体模型。

背景技术单步单核苷酸多态性最佳线性无偏预测（ssSNPBLUP）是单步评估之一，可以同时分析具有大量基因型的基因型和非基因型动物的表型和谱系信息。这项研究的目的是开发和说明几种计算策略，以有效解决当前计算机上具有大量基因型的不同ssSNPBLUP系统。结果不同的开发策略基于对前置条件的某些项的简化计算，并将不同的ssSNPBLUP系统的系数矩阵拆分为多个部分，以更有效地通过矢量进行乘法。一些矩阵被显式计算并存储在内存中（例如 谱系关系矩阵的逆矩阵），或使用压缩形式（例如，基因型矩阵的Plink 1二进制形式）存储，以允许使用有效的并行过程，同时限制所需的内存量。在双变量遗传学评估中对荷兰和比利时佛兰德地区小牛的生活性进行了双变量遗传学测试，检验了制定的策略。家谱中有29,885,286只动物，小牛记录有25,184,654只，基因型动物有131,189只。ssSNPBLUP系统需要大约18 GB的随机存取内存，并需要12h才能用性能最佳的解决方案来解决。结论基于我们提出的方法和结果，我们表明ssSNPBLUP在内存和时间要求方面提供了一种可行的方法，可以使用当前的计算机估计基因组育种值。或使用压缩形式（例如，基因型矩阵的Plink 1二进制形式）进行存储，以允许使用有效的并行过程，同时限制所需的内存量。在双变量遗传学评估中对荷兰和比利时佛兰德地区的牛犊的生活力进行了双变量遗传学测试，检验了制定的策略。家谱中有29,885,286只动物，小牛记录有25,184,654只，基因型动物有131,189只。ssSNPBLUP系统需要大约18 GB的随机存取内存，并需要12h才能用性能最佳的解决方案来解决。结论基于我们提出的方法和结果，我们表明ssSNPBLUP在内存和时间要求方面提供了一种可行的方法，可以使用当前的计算机估计基因组育种值。或使用压缩形式（例如，基因型矩阵的Plink 1二进制形式）进行存储，以允许使用有效的并行过程，同时限制所需的内存量。在双变量遗传学评估中对荷兰和比利时佛兰德地区小牛的生活性进行了双变量遗传学测试，检验了制定的策略。家谱中有29,885,286只动物，小牛记录有25,184,654只，基因型动物有131,189只。ssSNPBLUP系统需要大约18 GB的随机存取内存，并需要12h才能用性能最佳的解决方案来解决。结论基于我们提出的方法和结果，我们表明ssSNPBLUP在内存和时间要求方面提供了一种可行的方法，可以使用当前的计算机估计基因组育种值。（基因型矩阵的Plink 1二进制形式），以允许使用有效的并行过程，同时限制所需的内存量。在双变量遗传学评估中对荷兰和比利时佛兰德地区小牛的生活性进行了双变量遗传学测试，检验了制定的策略。家谱中有29,885,286只动物，小牛记录有25,184,654只，基因型动物有131,189只。ssSNPBLUP系统需要大约18 GB的随机存取内存，并需要12h才能用性能最佳的解决方案来解决。结论基于我们提出的方法和结果，我们表明ssSNPBLUP在内存和时间要求方面提供了一种可行的方法，可以使用当前的计算机估计基因组育种值。（基因型矩阵的Plink 1二进制形式），以允许使用有效的并行过程，同时限制所需的内存量。在双变量遗传学评估中对荷兰和比利时佛兰德地区小牛的生活性进行了双变量遗传学测试，检验了制定的策略。家谱中有29,885,286只动物，小牛记录有25,184,654只，基因型动物有131,189只。ssSNPBLUP系统需要大约18 GB的随机存取内存，并需要12h才能用性能最佳的解决方案来解决。结论基于我们提出的方法和结果，我们表明ssSNPBLUP在内存和时间要求方面提供了一种可行的方法，可以使用当前的计算机估计基因组育种值。在双变量遗传学评估中对荷兰和比利时佛兰德地区小牛的生活性进行了双变量遗传学测试，检验了制定的策略。家谱中有29,885,286只动物，小牛记录有25,184,654只，基因型动物有131,189只。ssSNPBLUP系统需要大约18 GB的随机存取内存，并需要12h才能用性能最佳的解决方案来解决。结论基于我们提出的方法和结果，我们表明ssSNPBLUP在内存和时间要求方面提供了一种可行的方法，可以使用当前的计算机估计基因组育种值。在双变量遗传学评估中对荷兰和比利时佛兰德地区的牛犊的生活力进行了双变量遗传学测试，检验了制定的策略。家谱中有29,885,286只动物，小牛记录有25,184,654只，基因型动物有131,189只。ssSNPBLUP系统需要大约18 GB的随机存取内存，并需要12h才能用性能最佳的解决方案来解决。结论基于我们提出的方法和结果，我们表明ssSNPBLUP在内存和时间要求方面提供了一种可行的方法，可以使用当前的计算机估计基因组育种值。ssSNPBLUP系统需要大约18 GB的随机存取内存，并需要12h才能用性能最佳的解决方案来解决。结论基于我们提出的方法和结果，我们表明ssSNPBLUP在内存和时间要求方面提供了一种可行的方法，可以使用当前的计算机估计基因组育种值。ssSNPBLUP系统需要大约18 GB的随机存取内存，并需要12h才能用性能最佳的解决方案来解决。结论基于我们提出的方法和结果，我们表明ssSNPBLUP在内存和时间要求方面提供了一种可行的方法，可以使用当前的计算机估计基因组育种值。